By · Last updated 2026-06-05

Atpakaļ uz BloguTehniskā

Vairāku platformu PII: Mac, Linux un Windows

Privātuma darbinieki uz Mac, juridiskā nodaļa uz Windows, datu inženieru uz Linux — visi apstrādā vienos datus ar dažādiem rīkiem. Lūk, kāpēc OS neatkarīga noteikšana ir svarīga.

June 5, 20266 min lasīšanai
cross-platformMac Linux GDPRenterprise ITOS agnosticcompliance consistency

Vairāku platformu PII: Mac, Linux un Windows

Privātuma darbinieki uz Mac. Juridiskās komandas uz Windows. Datu inženieru uz Linux. Viens atbilstības pienākums.

Lielākā daļa PII rīku tika veidoti vienai platformai. Tā ir problēma.

OS plaisa privātuma komandās

Uzņēmumu privātuma komandas reti izmanto vienu operētājsistēmu. Tipiska globālā tehnoloģiju uzņēmuma situācija izskatās šādi:

  • Privātuma darbinieki un DPO: macOS (bieži ASV un Lielbritānijas uzņēmumos)
  • Juridiskās un atbilstības analītiķi: Windows (standarts Eiropas uzņēmumos)
  • Datu inženieru un DevOps: Linux (standarts tehniskajām lomām)

Trīs OS vides. Trīs komandu funkcijas. Viens kopīgs pienākums: apstrādāt personas datus ar konsekventām tehniskajām kontrolēm.

Kad katra grupa izmanto citu viena un tā paša rīka versiju — vai atšķirīgu interfeisu — kontroles nav vienādas. Tās tikai šķiet tādas.

Kāpēc vienas platformas rīki rada risku

Lielākā daļa PII rīku tiek piegādāti kā galddatora lietotnes vienai OS. Mac un Linux lietotāji saņem tīmekļa rezerves variantu vai neko.

Tas rada sadalījumu, kas ir svarīgs auditos. Lūk, kas notiek, kad tīmekļa lietotne atpaliek no galddatora:

NLP modeļu versijas atšķiras. Galddatora izlaidums var ietvert jaunāku NLP modeli nekā tīmekļa lietotne. Vecāku modeļu versijas var nokavēt entītes tipus, ko jaunkās noķer.

Atjaunināšanas cikli atšķiras. Rīki, kas izvietoti ar grupas politiku, var darboties divas vai trīs versijas aiz tiešās instalācijas. Versiju plaisas nozīmē noteikšanas plaisas.

Konfigurācija nevar sinhronizēties. Rīki, kas glabā iestatījumus OS reģistrā, nevar kopīgot šos iestatījumus ar Mac vai Linux lietotājiem. Priekšiestatījums, kas izveidots vienā platformā, var būt nelasāms citā.

Bibliotēku uzvedība mainās. Rīki, kas paļaujas uz OS līmeņa bibliotēkām PDF parsēšanai vai OCR var radīt dažādus rezultātus dažādās platformās — pat no viena avota dokumenta.

Jebkura no šīm plaisām nozīmē, ka viens un tas pats dokuments var radīt dažādus anonimizācijas rezultātus. Iemesls nav datos. Tas ir platformā.

Skatiet GDPR tehnisko pasākumu prasības par to, kā regulatori novērtē konsekvenci.

GDPR 5. panta 2. punkts un sistemātiski pasākumi

GDPR 5. panta 2. punkts ir atbildības princips. Tas prasa, lai pārziņi pierādītu atbilstību 5. panta 1. punkta datu aizsardzības principiem. 32. panta tehniskajiem pasākumiem tas nozīmē, ka pasākumi tika piemēroti sistemātiski.

Sistemātiski nozīmē konsekventi. Ja anonimizācija mainās atkarībā no personas, kas to veica, OS, pasākums ir mainīgs — ne sistemātisks.

DPI izmeklēšanā "mēs izmantojām X rīku, bet tas darbojas atšķirīgi uz Mac un galddatora versijā, un dokuments tika apstrādāts uz Mac" nav apmierinošā atbilde. Tas parāda nevienmērīgu piemērošanu.

OS neatkarīgs dizains nav priekšrocība. Tas izriet no sistemātiskas piemērošanas prasības.

Divi modeļi OS neatkarīgai atbilstībai

Patiesā OS neatkarīgā PII atbilstība ietilpst divos arhitekturālos modeļos.

1. modelis: Tīmekļa lietotne

Noteikšana darbojas serverī. Klienta OS nav nozīmes. Katrs lietotājs sasniedz vienu un to pašu dzinēju ar vieniem un tiem pašiem modeļiem un vienu konfigurāciju.

Ierobežojums: prasa interneta piekļuvi. Gaisa spraugas vides to nevar izmantot.

2. modelis: Natīvā vairāku platformu galddatora lietotne

Galddatora lietotne, kas veidota uz vairāku platformu izpildlaika (piemēram, Tauri vai Electron), kompilē vienu un to pašu kodu visām trijām platformām. Vieni un tie paši NLP modeļi tiek piegādāti katrā izlaidumā. Konfigurācija sinhronizējas ar kontu, nevis lokālo OS glabāšanu.

Tas apmierina bezsaistes un gaisa spraugas prasības. Noteikšana paliek konsekventa platformās.

Anonym.legal galddatora lietotne izmanto Tauri/Rust ietvaru. Tā kompilē vienu un to pašu kodu Windows (x64/ARM64), macOS (Intel/Apple Silicon/Universal) un Linux (x64). NLP modeļi un noteikšanas dzinējs ir identiski katrā izlaidumā. OS nav mainīgs rezultātā.

Lietošanas gadījums: 12 cilvēku privātuma komanda

Globāla tehnoloģiju uzņēmuma 12 cilvēku privātuma komanda strādāja trīs OS vidēs:

  • 4 privātuma darbinieki un DPO: macOS (MacBook Pro)
  • 5 juridiskās un atbilstības analītiķi: Windows (Surface Pro)
  • 3 datu inženieru: Linux (Ubuntu darbstacijas)

Viņu iepriekšējais PII rīks bija galddatora lietotne vienai platformai. Mac un Linux lietotāji izmantoja pārdevēja tīmekļa lietotni. Tā bija vecāka versija ar mazāk entītes tipiem.

Atbilstības plaisa bija skaidra. DPO uz Mac noteica 180 entītes tipus. Juridiskā nodaļa uz galddatora lietotnē noteica 267. Inženieru uz Linux atbilda tīmekļa lietotnei ar 180. Tā ir 87 entītes plaisa dokumentos, ko apstrādāja DPO.

Pēc pārejas uz vairāku platformu galddatora lietotni:

  • Viena lietotne izvietota visās 12 mašīnās
  • Identiski NLP modeļi un noteikšanas dzinējs katrā datorā
  • Viens "Privātuma standarta" priekšiestatījums sinhronizēts visos kontos
  • Vienots audita pieraksts no visiem 12 lietotājiem atbilstības sistēmā

DPI audits notika sešus mēnešus vēlāk. Komanda uzrādīja identisku entītes pārklājumu visos 12 kontos neatkarīgi no OS. Atradums tika slēgts.

Lasiet vairāk par audita pierakstu un dokumentācijas funkcijām.

Ko pārbaudīt pirms rīka izvēles

Novērtējot PII rīku vairāku OS komandai, uzdodiet šos jautājumus:

Vai visi platformu varianti izmanto vienu NLP modeli? Ja Mac un Linux izlaidumi atpaliek, jums ir konsekvences problēma.

Kā konfigurācija tiek glabāta un kopīgota? Reģistrā balstīta glabāšana nevar sinhronizēties platformās.

Vai atjaunināšanas cikli ir vienādi visām platformām? Pakāpenisks izlaidums rada versiju plaisas.

Kāds ir rezerves variants lietotājiem, kas nav uz galddatora? Ja tā ir vecāka tīmekļa lietotne, pārklājums nav vienāds.

Rīks, kas labi atbild uz šiem jautājumiem, radīs vienu un to pašu noteikšanas rezultātu no viena un tā paša ievada jebkurā OS. Tā izskatās sistemātiska piemērošana.

Avoti

Vai esat gatavi aizsargāt savus datus?

Sāciet PII anonimizāciju ar 285+ entitāšu veidiem 48 valodās.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.